Link to this sectionНабор данных Objects365#
Набор данных Objects365 — это масштабный бенчмарк для обнаружения объектов, содержащий 1 742 289 обучающих и 80 000 валидационных изображений, охватывающих 365 классов объектов — от людей, автомобилей и стульев до бутылок, собак и уличных фонарей. Созданный исследователями Megvii и представленный на конференции ICCV 2019, он фокусируется на разнообразных объектах в естественной среде и широко используется для предварительного обучения компьютерного зрения моделей, которые обобщают данные лучше, чем модели, обученные на ImageNet.
Watch: How to Train Ultralytics YOLO on the Objects365 Dataset
Link to this sectionКлючевые особенности#
- Objects365 определяет 365 классов объектов, а в первоначальном выпуске сообщается о 2 миллионах изображений и 30 миллионах ограничивающих рамок (bounding boxes) в общей сложности.
- Набор данных включает разнообразные объекты в различных реальных сценариях, предоставляя богатый и сложный бенчмарк для задач обнаружения объектов.
- Аннотации включают ограничивающие рамки для объектов, что делает набор подходящим для обучения и оценки моделей обнаружения объектов.
- Согласно статье ICCV 2019, предварительное обучение на Objects365 превосходит предварительное обучение на ImageNet на 5,6 пункта (42,0 против 36,4 mAP) на бенчмарке COCO.
Link to this sectionСтруктура набора данных#
Конфигурация Ultralytics Objects365.yaml определяет два набора (split):
| Split | Изображения | Описание |
|---|---|---|
| Обучение | 1 742 289 | Размеченные изображения для обучения моделей |
| Validation | 80 000 | Отложенные изображения для оценки и бенчмаркинга |
Загрузка скачивает обучающий и валидационный наборы — всего 1 822 289 изображений — а ключ test: в конфигурации остается пустым.
Link to this sectionПрименение#
Набор данных Objects365 поддерживает широкий спектр приложений глубинного обучения в области обнаружения объектов:
- Предварительное обучение детекторов (backbones): Благодаря 365 классам и плотным аннотациям рамок, предварительное обучение на Objects365 улучшает последующую донастройку (fine-tuning) на меньших наборах данных, таких как COCO и VOC.
- Розничная торговля и распознавание запасов: Сотни повседневных категорий — бутылки, чашки, кроссовки, сумки — помогают в мониторинге полок и автоматизированных системах оплаты.
- Робототехника и «умная» среда: Широкий охват бытовых и уличных объектов помогает роботам и умным камерам распознавать предметы в неструктурированных сценах.
- Бенчмаркинг детекторов: Длинный список классов и изображения «в дикой природе» делают его требовательным бенчмарком для оценки того, насколько хорошо модели обнаружения справляются с обобщением.
Чтобы размечать свои собственные изображения, тренировать и управлять крупномасштабными наборами данных в браузере, используй полный рабочий процесс с Ultralytics Platform.
Link to this sectionYAML набора данных#
Файл Objects365.yaml определяет конфигурацию набора данных — пути к данным, имена классов и другие метаданные. Он поддерживается в репозитории Ultralytics по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Objects365.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# Objects365 dataset https://www.objects365.org/ by Megvii
# Documentation: https://docs.ultralytics.com/datasets/detect/objects365
# Example usage: yolo train data=Objects365.yaml
# parent
# ├── ultralytics
# └── datasets
# └── Objects365 ← downloads here (712 GB = 367G data + 345G zips)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: Objects365 # dataset root dir
train: images/train # train images (relative to 'path') 1742289 images
val: images/val # val images (relative to 'path') 80000 images
test: # test images (optional)
# Classes
names:
0: Person
1: Sneakers
2: Chair
3: Other Shoes
4: Hat
5: Car
6: Lamp
7: Glasses
8: Bottle
9: Desk
10: Cup
11: Street Lights
12: Cabinet/shelf
13: Handbag/Satchel
14: Bracelet
15: Plate
16: Picture/Frame
17: Helmet
18: Book
19: Gloves
20: Storage box
21: Boat
22: Leather Shoes
23: Flower
24: Bench
25: Potted Plant
26: Bowl/Basin
27: Flag
28: Pillow
29: Boots
30: Vase
31: Microphone
32: Necklace
33: Ring
34: SUV
35: Wine Glass
36: Belt
37: Monitor/TV
38: Backpack
39: Umbrella
40: Traffic Light
41: Speaker
42: Watch
43: Tie
44: Trash bin Can
45: Slippers
46: Bicycle
47: Stool
48: Barrel/bucket
49: Van
50: Couch
51: Sandals
52: Basket
53: Drum
54: Pen/Pencil
55: Bus
56: Wild Bird
57: High Heels
58: Motorcycle
59: Guitar
60: Carpet
61: Cell Phone
62: Bread
63: Camera
64: Canned
65: Truck
66: Traffic cone
67: Cymbal
68: Lifesaver
69: Towel
70: Stuffed Toy
71: Candle
72: Sailboat
73: Laptop
74: Awning
75: Bed
76: Faucet
77: Tent
78: Horse
79: Mirror
80: Power outlet
81: Sink
82: Apple
83: Air Conditioner
84: Knife
85: Hockey Stick
86: Paddle
87: Pickup Truck
88: Fork
89: Traffic Sign
90: Balloon
91: Tripod
92: Dog
93: Spoon
94: Clock
95: Pot
96: Cow
97: Cake
98: Dining Table
99: Sheep
100: Hanger
101: Blackboard/Whiteboard
102: Napkin
103: Other Fish
104: Orange/Tangerine
105: Toiletry
106: Keyboard
107: Tomato
108: Lantern
109: Machinery Vehicle
110: Fan
111: Green Vegetables
112: Banana
113: Baseball Glove
114: Airplane
115: Mouse
116: Train
117: Pumpkin
118: Soccer
119: Skiboard
120: Luggage
121: Nightstand
122: Tea pot
123: Telephone
124: Trolley
125: Head Phone
126: Sports Car
127: Stop Sign
128: Dessert
129: Scooter
130: Stroller
131: Crane
132: Remote
133: Refrigerator
134: Oven
135: Lemon
136: Duck
137: Baseball Bat
138: Surveillance Camera
139: Cat
140: Jug
141: Broccoli
142: Piano
143: Pizza
144: Elephant
145: Skateboard
146: Surfboard
147: Gun
148: Skating and Skiing shoes
149: Gas stove
150: Donut
151: Bow Tie
152: Carrot
153: Toilet
154: Kite
155: Strawberry
156: Other Balls
157: Shovel
158: Pepper
159: Computer Box
160: Toilet Paper
161: Cleaning Products
162: Chopsticks
163: Microwave
164: Pigeon
165: Baseball
166: Cutting/chopping Board
167: Coffee Table
168: Side Table
169: Scissors
170: Marker
171: Pie
172: Ladder
173: Snowboard
174: Cookies
175: Radiator
176: Fire Hydrant
177: Basketball
178: Zebra
179: Grape
180: Giraffe
181: Potato
182: Sausage
183: Tricycle
184: Violin
185: Egg
186: Fire Extinguisher
187: Candy
188: Fire Truck
189: Billiards
190: Converter
191: Bathtub
192: Wheelchair
193: Golf Club
194: Briefcase
195: Cucumber
196: Cigar/Cigarette
197: Paint Brush
198: Pear
199: Heavy Truck
200: Hamburger
201: Extractor
202: Extension Cord
203: Tong
204: Tennis Racket
205: Folder
206: American Football
207: earphone
208: Mask
209: Kettle
210: Tennis
211: Ship
212: Swing
213: Coffee Machine
214: Slide
215: Carriage
216: Onion
217: Green beans
218: Projector
219: Frisbee
220: Washing Machine/Drying Machine
221: Chicken
222: Printer
223: Watermelon
224: Saxophone
225: Tissue
226: Toothbrush
227: Ice cream
228: Hot-air balloon
229: Cello
230: French Fries
231: Scale
232: Trophy
233: Cabbage
234: Hot dog
235: Blender
236: Peach
237: Rice
238: Wallet/Purse
239: Volleyball
240: Deer
241: Goose
242: Tape
243: Tablet
244: Cosmetics
245: Trumpet
246: Pineapple
247: Golf Ball
248: Ambulance
249: Parking meter
250: Mango
251: Key
252: Hurdle
253: Fishing Rod
254: Medal
255: Flute
256: Brush
257: Penguin
258: Megaphone
259: Corn
260: Lettuce
261: Garlic
262: Swan
263: Helicopter
264: Green Onion
265: Sandwich
266: Nuts
267: Speed Limit Sign
268: Induction Cooker
269: Broom
270: Trombone
271: Plum
272: Rickshaw
273: Goldfish
274: Kiwi fruit
275: Router/modem
276: Poker Card
277: Toaster
278: Shrimp
279: Sushi
280: Cheese
281: Notepaper
282: Cherry
283: Pliers
284: CD
285: Pasta
286: Hammer
287: Cue
288: Avocado
289: Hami melon
290: Flask
291: Mushroom
292: Screwdriver
293: Soap
294: Recorder
295: Bear
296: Eggplant
297: Board Eraser
298: Coconut
299: Tape Measure/Ruler
300: Pig
301: Showerhead
302: Globe
303: Chips
304: Steak
305: Crosswalk Sign
306: Stapler
307: Camel
308: Formula 1
309: Pomegranate
310: Dishwasher
311: Crab
312: Hoverboard
313: Meatball
314: Rice Cooker
315: Tuba
316: Calculator
317: Papaya
318: Antelope
319: Parrot
320: Seal
321: Butterfly
322: Dumbbell
323: Donkey
324: Lion
325: Urinal
326: Dolphin
327: Electric Drill
328: Hair Dryer
329: Egg tart
330: Jellyfish
331: Treadmill
332: Lighter
333: Grapefruit
334: Game board
335: Mop
336: Radish
337: Baozi
338: Target
339: French
340: Spring Rolls
341: Monkey
342: Rabbit
343: Pencil Case
344: Yak
345: Red Cabbage
346: Binoculars
347: Asparagus
348: Barbell
349: Scallop
350: Noddles
351: Comb
352: Dumpling
353: Oyster
354: Table Tennis paddle
355: Cosmetics Brush/Eyeliner Pencil
356: Chainsaw
357: Eraser
358: Lobster
359: Durian
360: Okra
361: Lipstick
362: Cosmetics Mirror
363: Curling
364: Table Tennis
# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
from concurrent.futures import ThreadPoolExecutor
from pathlib import Path
import numpy as np
from ultralytics.utils import TQDM
from ultralytics.utils.checks import check_requirements
from ultralytics.utils.downloads import download
from ultralytics.utils.ops import xyxy2xywhn
check_requirements("faster-coco-eval")
from faster_coco_eval import COCO
# Train, Val Splits
dir = Path(yaml["path"])
for split, patches in [("train", 50 + 1), ("val", 43 + 1)]:
print(f"Processing {split} in {patches} patches ...")
images, labels = dir / "images" / split, dir / "labels" / split
images.mkdir(parents=True, exist_ok=True)
labels.mkdir(parents=True, exist_ok=True)
# Download
url = f"https://dorc.ks3-cn-beijing.ksyun.com/data-set/2020Objects365%E6%95%B0%E6%8D%AE%E9%9B%86/{split}/"
if split == "train":
download([f"{url}zhiyuan_objv2_{split}.tar.gz"], dir=dir) # annotations json
download([f"{url}patch{i}.tar.gz" for i in range(patches)], dir=images, threads=17) # 51 patches / 17 threads = 3
elif split == "val":
download([f"{url}zhiyuan_objv2_{split}.json"], dir=dir) # annotations json
download([f"{url}images/v1/patch{i}.tar.gz" for i in range(15 + 1)], dir=images, threads=16)
download([f"{url}images/v2/patch{i}.tar.gz" for i in range(16, patches)], dir=images, threads=16)
# Move
files = list(images.rglob("*.jpg"))
with ThreadPoolExecutor(max_workers=16) as executor:
list(TQDM(executor.map(lambda f: f.rename(images / f.name), files), total=len(files), desc=f"Moving {split} images"))
# Labels
coco = COCO(dir / f"zhiyuan_objv2_{split}.json")
names = [x["name"] for x in coco.loadCats(coco.getCatIds())]
for cid, cat in enumerate(names):
catIds = coco.getCatIds(catNms=[cat])
imgIds = coco.getImgIds(catIds=catIds)
def process_annotation(im):
"""Process and write annotations for a single image."""
try:
width, height = im["width"], im["height"]
path = Path(im["file_name"])
with open(labels / path.with_suffix(".txt").name, "a", encoding="utf-8") as file:
annIds = coco.getAnnIds(imgIds=im["id"], catIds=catIds, iscrowd=None)
for a in coco.loadAnns(annIds):
x, y, w, h = a["bbox"] # bounding box in xywh (xy top-left corner)
xyxy = np.array([x, y, x + w, y + h])[None] # pixels(1,4)
x, y, w, h = xyxy2xywhn(xyxy, w=width, h=height, clip=True)[0] # normalized and clipped
file.write(f"{cid} {x:.5f} {y:.5f} {w:.5f} {h:.5f}\n")
except Exception as e:
print(e)
images_list = coco.loadImgs(imgIds)
with ThreadPoolExecutor(max_workers=16) as executor:
list(TQDM(executor.map(process_annotation, images_list), total=len(images_list), desc=f"Class {cid + 1}/{len(names)} {cat}"))Link to this sectionИспользование#
Objects365 загружается автоматически при первом использовании и требует около 712 ГБ свободного места на диске — 345 ГБ скачанных zip-архивов плюс 367 ГБ для извлеченного набора данных. Скрипт загрузки устанавливает пакет faster-coco-eval и преобразует аннотации в формат YOLO, что может занять много времени в зависимости от твоего соединения и оборудования.
Чтобы обучить модель YOLO26n на наборе данных Objects365 в течение 100 эпох при размере изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов приведен на странице Обучение.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)Link to this sectionПримеры изображений и аннотации#
Набор данных Objects365 содержит разнообразные изображения высокого разрешения с плотными аннотациями ограничивающих рамок для всех 365 классов. Пример ниже показывает типичные для набора данных сцены «в дикой природе» и многообъектные аннотации:
Link to this sectionЦитирование и благодарности#
Если ты используешь набор данных Objects365 в своих исследованиях или разработках, пожалуйста, сошлися на следующую статью:
@InProceedings{Shao_2019_ICCV,
author = {Shao, Shuai and Li, Zeming and Zhang, Tianyuan and Peng, Chao and Yu, Gang and Zhang, Xiangyu and Li, Jing and Sun, Jian},
title = {Objects365: A Large-Scale, High-Quality Dataset for Object Detection},
booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)},
month = {October},
year = {2019}
}Мы хотели бы выразить признательность команде исследователей, которые создали и поддерживают набор данных Objects365 как ценный ресурс для сообщества исследователей компьютерного зрения. Чтобы узнать больше о наборе данных Objects365 и его создателях, посети сайт набора данных Objects365.
Link to this sectionFAQ#
Link to this sectionДля чего используется набор данных Objects365?#
Набор данных Objects365 используется для обучения и оценки моделей обнаружения объектов в машинном обучении и компьютерном зрении. Он предоставляет 1 742 289 обучающих и 80 000 валидационных изображений по 365 классам объектов и особенно популярен для предварительного обучения детекторов, которые впоследствии донастраиваются на меньших, специализированных наборах данных.
Link to this sectionСколько изображений и классов в наборе данных Objects365?#
Конфигурация Ultralytics Objects365.yaml охватывает 365 классов объектов, разделенных на 1 742 289 обучающих изображений и 80 000 валидационных — всего 1 822 289, без тестового набора. В первоначальном выпуске сообщается о 2 миллионах изображений и 30 миллионах ограничивающих рамок в общей сложности.
Link to this sectionКаков размер загружаемого набора данных Objects365?#
Objects365 требует около 712 ГБ места на диске — примерно 345 ГБ zip-архивов, которые скачиваются автоматически при первом обучении с data="Objects365.yaml", плюс 367 ГБ для извлеченного набора данных. Скрипт загрузки устанавливает пакет faster-coco-eval и преобразует аннотации в формат YOLO. Ты можешь просмотреть альтернативные варианты меньшего размера в обзоре наборов данных для обнаружения.
Link to this sectionКак я могу обучить модель YOLO26 на наборе данных Objects365?#
Чтобы обучить модель YOLO26n с использованием набора данных Objects365 в течение 100 эпох при размере изображения 640, следуй этим инструкциям:
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)Обратись к странице Обучение для получения полного списка доступных аргументов.
Link to this sectionПочему мне стоит использовать набор данных Objects365 для моих проектов по обнаружению объектов?#
Словарь из 365 классов и плотные аннотации делают Objects365 одним из самых мощных наборов данных для предварительного обучения в обнаружении объектов — в статье ICCV 2019 сообщается о приросте на 5,6 пункта (42,0 против 36,4 mAP) по сравнению с предварительным обучением на ImageNet на COCO. Его изображения охватывают разнообразные реальные сценарии, что помогает моделям хорошо обобщать данные для последующих задач обнаружения.
Link to this sectionГде я могу найти файл конфигурации YAML для набора данных Objects365?#
Файл конфигурации YAML для набора данных Objects365 доступен по ссылке Objects365.yaml. Этот файл содержит важную информацию, такую как пути к набору данных и метки классов, необходимую для настройки твоей среды обучения.